从FBP到深度学习重建的技术演进
滤波反投影（FBP）自1972年起长期主导CT重建，其核心矛盾是高质量图像需要高剂量，降低剂量则导致噪声和伪影增加。迭代重建通过引入物理、噪声、物体和光学等模型进行复杂计算来改善图像，但这些模型必须被简化：人工可调节参数数量有限、快速找到最优解的计算能力有限，简化模型导致图像在迭代过程中失真。
以MBIR为代表的全模型迭代重建可调节参数不足100个，依赖专家人工调节，且重建时间过长，超出临床接受范围。深度学习重建则采用深度神经网络，可调节参数量超过100万，参数在监督训练过程中通过反向传播算法自动微调，从根本上改变了重建参数的优化方式。
深度学习重建引擎的设计与训练
DLIR引擎的设计基于厂商在CT领域40年的技术创新和经验积累；训练以高剂量、高质量的FBP图像作为学习目标，保证网络学到真实的高保真图像纹理；验证则使用大量极端案例和罕见案例作为验证数据集，保证模型的泛化准确性。
训练过程中，输入低剂量原始数据，网络输出图像与高剂量原始数据重建的FBP图像（Ground Truth）进行比对，通过反向传播调整参数，使输出逐步匹配学习目标。学习目标决定了最终训练结果的准确程度，因此高剂量FBP图像的质量直接关系到DLIR图像的保真度。
图像保真度与体模验证
归一化噪声功率谱（NPS）曲线显示，DLIR-H在4.9 mGy下的噪声纹理与15.1 mGy的FBP高度一致，而MBIR的噪声纹理偏离明显，说明DLIR在降低剂量的同时还原了真实图像纹理。剪影（difference image）对比进一步显示，DLIR与原始FBP的差异最小，ASiR和ASiR-V的差异较大，提示DLIR引入的结构改变更少。
体模测试以15倍高剂量FBP为金标准：低剂量迭代重建图像出现失真，而低剂量DLIR图像无失真，噪声值接近高剂量FBP。在满足诊断需求的前提下，DLIR可在1 mGy的低剂量下获得与高剂量FBP相当的图像质量，而迭代重建在同等剂量下图像失真明显。
重建速度与临床工作流
DLIR引擎训练完成后，所有参数预先计算并固定，经监管机构批准后部署，现场不再进行再训练、微调或自学习，以避免不完美数据引入偏倚或误差。因此重建速度完全满足临床常规使用，即使在急诊等对时间要求苛刻的场景下也能完成。
在160 mm覆盖范围、512×512矩阵、0.625 mm层厚的轴向采集可重建256幅图像， helical采集425 mm覆盖范围可重建681幅图像，重建速度满足常规工作流。这意味着DLIR可以用于任意体型、任意部位的各向高清薄层成像，而不牺牲临床流程效率。
临床应用价值
DLIR支持任意体型的高清图像：对身高1.72 m、BMI 32的患者，0.625 mm层厚下DLIR图像噪声明显低于FBP和迭代重建，图像质量满足诊断。任意层厚方面，1/8层厚（0.625 mm）图像无损高保真，与5 mm层厚图像相比不损失细节。
在冠脉CTA中，DLIR可实现超低剂量高清成像。一例高压注射器中途故障导致对比剂注射中断的病例，第一次扫描剂量仅0.47 mSv，DLIR重建图像仍可满足诊断，而ASiR-V重建质量不足，体现了DLIR在扫描意外时的挽救价值。
4D双诊断灌注成像中，提取任意灌注期相并用DLIR重建，即可获得常规诊断级增强/CTA图像，无需额外常规增强扫描，实现形态与功能同时评估，并支持个性化期相选择，捕捉一过式强化。
